Fugu-MT 論文翻訳(概要): Effective and interpretable dispatching rules for dynamic job shops via guided empirical learning

論文の概要: Effective and interpretable dispatching rules for dynamic job shops via guided empirical learning

arxiv url: http://arxiv.org/abs/2109.03323v1
Date: Tue, 7 Sep 2021 20:46:45 GMT
ステータス: 処理完了
システム内更新日: 2021-09-09 13:59:43.651602
Title: Effective and interpretable dispatching rules for dynamic job shops via guided empirical learning
Title（参考訳）: 指導的実証学習による動的店舗の効果的かつ解釈可能な派遣ルール
Authors: Cristiane Ferreira, Gon\c{c}alo Figueira and Pedro Amorim
Abstract要約: 本論文は,機械学習とドメイン問題推論を組み合わせたスケジューリングのための最初の主要な試みである。我々は、従来の動的ジョブショップスケジューリング問題において、タドネスを最小化するアプローチをテストする。以上の結果から,本手法は既存の文献を著しく上回る,新しい最先端のルールを見出すことができたことが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The emergence of Industry 4.0 is making production systems more flexible and also more dynamic. In these settings, schedules often need to be adapted in real-time by dispatching rules. Although substantial progress was made until the '90s, the performance of these rules is still rather limited. The machine learning literature is developing a variety of methods to improve them, but the resulting rules are difficult to interpret and do not generalise well for a wide range of settings. This paper is the first major attempt at combining machine learning with domain problem reasoning for scheduling. The idea consists of using the insights obtained with the latter to guide the empirical search of the former. Our hypothesis is that this guided empirical learning process should result in dispatching rules that are effective and interpretable and which generalise well to different instance classes. We test our approach in the classical dynamic job shop scheduling problem minimising tardiness, which is one of the most well-studied scheduling problems. Nonetheless, results suggest that our approach was able to find new state-of-the-art rules, which significantly outperform the existing literature in the vast majority of settings, from loose to tight due dates and from low utilisation conditions to congested shops. Overall, the average improvement is 19%. Moreover, the rules are compact, interpretable, and generalise well to extreme, unseen scenarios.
Abstract（参考訳）: industry 4.0の出現により、生産システムはより柔軟でダイナミックになった。これらの設定では、スケジュールはルールをディスパッチすることでリアルタイムに適応する必要がある。 90年代までかなりの進展があったが、これらのルールのパフォーマンスは依然としてかなり限られている。機械学習の文献は、それらを改善するための様々な方法を開発しているが、結果のルールは解釈が難しく、幅広い設定でうまく一般化できない。本稿では、スケジューリングのための機械学習とドメイン問題推論を組み合わせる最初の試みである。このアイデアは、後者で得られた洞察を使って、前者の経験的な探索を導くものである。我々の仮説は、このガイドされた経験的学習プロセスは、有効で解釈可能なルールを、異なるインスタンスクラスによく一般化する結果をもたらすべきであるというものである。我々は,最もよく研究されているスケジューリング問題の1つであるターダネスを最小化する古典的な動的ジョブショップスケジューリング問題において,このアプローチをテストする。いずれにせよ, 提案手法は, 既往の文献を, ゆるやかさ, 利用条件の低さ, 混雑店など, 圧倒的に上回った, 最先端のルールを見出すことができたことが示唆された。平均的な改善率は19%である。さらに、ルールはコンパクトで解釈可能で、極端な、目に見えないシナリオによく一般化される。

関連論文リスト

Normalization and effective learning rates in reinforcement learning [52.59508428613934]
正規化層は近年,深層強化学習と連続学習文学においてルネッサンスを経験している。正規化は、ネットワークパラメータのノルムにおける成長と効果的な学習速度における崩壊の間の等価性という、微妙だが重要な副作用をもたらすことを示す。そこで本研究では,正規化・プロジェクトと呼ぶ単純な再パラメータ化により,学習率を明示的にする手法を提案する。
論文参考訳（メタデータ） (2024-07-01T20:58:01Z)
Job Shop Scheduling via Deep Reinforcement Learning: a Sequence to Sequence approach [0.0]
本稿では,分散ルールを自動的に学習するスケジューリングに対して,エンドツーエンドのDeep Reinforcement Learningアプローチを提案する。我々は、優先順位付けルールを利用した古典的アプローチの多くを上回り、最先端のDeep Reinforcement Learning(Deep Reinforcement Learning)における競争結果を示す。
論文参考訳（メタデータ） (2023-08-03T14:52:17Z)
Rule By Example: Harnessing Logical Rules for Explainable Hate Speech Detection [13.772240348963303]
Rule By Example(RBE)は、テキストコンテンツモデレーションのタスクに対する論理規則から学習するための、新規なコントラスト学習手法である。 RBEはルール基底の予測を提供することができ、典型的なディープラーニングベースのアプローチと比較して説明可能でカスタマイズ可能な予測を可能にする。
論文参考訳（メタデータ） (2023-07-24T16:55:37Z)
Improving Long-Horizon Imitation Through Instruction Prediction [93.47416552953075]
本研究では、しばしば使われない補助的監督源である言語の使用について検討する。近年のトランスフォーマーモデルの発展にインスパイアされたエージェントは,高レベルの抽象化で動作する時間拡張表現の学習を促す命令予測損失を持つエージェントを訓練する。さらなる分析では、複雑な推論を必要とするタスクにおいて、命令モデリングが最も重要であり、単純な計画を必要とする環境において、より小さなゲインを提供する。
論文参考訳（メタデータ） (2023-06-21T20:47:23Z)
Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文参考訳（メタデータ） (2023-06-04T18:14:18Z)
Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
論文参考訳（メタデータ） (2023-03-28T13:47:16Z)
Distilling Task-specific Logical Rules from Large Pre-trained Models [24.66436804853525]
本研究では,大規模な事前学習モデルからタスク固有の論理規則を抽出する新しい枠組みを開発する。具体的には、初期シードルールを生成するための知識エキスパートとして、最近のプロンプトベースの言語モデルを借りる。 3つのパブリックなエンティティタグ付けベンチマークの実験は、提案フレームワークの有効性を実証している。
論文参考訳（メタデータ） (2022-10-06T09:12:18Z)
Improving Pre-trained Language Model Fine-tuning with Noise Stability Regularization [94.4409074435894]
本稿では,LNSR(Layerwise Noise Stability Regularization)という,新規かつ効果的な微調整フレームワークを提案する。具体的には、標準ガウス雑音を注入し、微調整モデルの隠れ表現を正規化することを提案する。提案手法は,L2-SP,Mixout,SMARTなど他の最先端アルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-12T04:42:49Z)
From Examples to Rules: Neural Guided Rule Synthesis for Information Extraction [17.126336368896666]
我々は,プログラム合成の最近の進歩を情報抽出に適応させ,提案した例から規則を合成する。本研究は,特定の領域における合成アルゴリズムを訓練せずに,関係分類のための少数ショット学習と5ショットシナリオにおける競合性能に着目したタスクの1ショットシナリオにおいて,最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2022-01-16T19:27:18Z)
Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
論文参考訳（メタデータ） (2020-03-13T00:32:46Z)
The Two Regimes of Deep Network Training [93.84309968956941]
本研究では,異なる学習スケジュールの効果と,それらを選択する適切な方法について検討する。この目的のために、我々は2つの異なる段階を分離し、これを「大きな段階的体制」と「小さな段階的体制」と呼ぶ。トレーニングアルゴリズムは学習率のスケジュールを大幅に単純化することができる。
論文参考訳（メタデータ） (2020-02-24T17:08:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。